HAJJv2-CrowdCount：密集人群计数的零样本基准

朝觐视频中的自动人群计数很困难，不是因为当前的模型缺乏容量，而是因为视频片段违反了这些模型所建立的假设：摄像机从陡峭的、接近垂直的角度观察人群，个体之间广泛遮挡，单个帧可以容纳一千多人。在这种环境中测试人群计数的基准要么是私有的，要么不是每秒详细的。我们重新访问 HAJJv2 数据集并贡献 HAJJv2-CrowdCount：其测试视频的每秒人工注释人群计数。使用这些注释，我们对最近的三种零样本计数范例进行了基准测试：开放词汇检测器（YOLO-World）、基于点的计数器（APGCC）和基于提示的分段计数器（SAM3Count）。 SAM3Count 获得最低的总体平均绝对误差（MAE 70.4，95% CI 56.0-86.1），领先于 YOLO-World (92.0) 和 APGCC (152.9)。然而，在与部署最相关的机制中，这种顺序是相反的：在最密集的帧上，基于检测和基于分段的计数器都急剧退化（MAE超过300），而基于点的计数器退化得更加优雅（MAE 114.9）。这种倒转与朝觐人群管理的决策相关，在最密集和最闭塞的场景中最需要可靠的计数。注释的发布是为了支持这些结果的复制和扩展。